(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211274106.1 (22)申请日 2022.10.18 (71)申请人 国网甘肃省电力公司甘南供电公司 地址 747000 甘肃省甘南 藏族自治州合作 市碌曲路2号 (72)发明人 李向群　张玮　丁超明　罗仁军　 马登高　李婷婷　李斌斌　李鹏飞　 曹立山　安腾跃　郭旭春　文国璐　 (74)专利代理 机构 郑州浩德知识产权代理事务 所(普通合伙) 41130 专利代理师 江兰 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/00(2006.01) G06N 20/10(2019.01)G06Q 50/06(2012.01) (54)发明名称 一种基于数据挖掘的电压越限诊断方法 (57)摘要 本发明提供了一种基于数据挖掘的电压越 限诊断方法， 通过对历史数据进行数据挖掘， 并 对这些数据进行预处理， 得到基本的数据驱动模 型， 将得到的基本的数据驱动模型作为K ‑means 改进算法的输入， 通过聚类算法得到电压越限的 聚类和标识结果； 然后利用K ‑means的聚类结果 对基于粒子群算法的支持向量机模型进行自适 应训练， 从而实现电压越限的在线诊断分析； 对 这些电压越限进行分析， 得出电压越限的原因， 有益效果是： 本发明的诊断效率、 准确性都更高， 根据配网设备的配电网故障数据， 完成对配电网 数据的汇总与整合， 将整理后的数据内容根据算 法进行清洗整理， 结合仿真软件以及现场实际情 况， 分析不同运行情况下电网的电压水平来完成 对电网薄弱点识别以及成因分析。 权利要求书2页 说明书4页 附图1页 CN 115510997 A 2022.12.23 CN 115510997 A 1.一种基于数据 挖掘的电压越限诊断方法， 其特 征在于， 其 步骤包括： S1.对于历史数据进行数据挖掘， 采集多源异构的配电网故障数据， 对采集的所述配电 网数据进 行抽取提炼， 通过主体及静态关键信息信息识别、 不同方式运行下动态数据计算、 数据层构建这三个方面对数据进 行挖掘， 识别数据主体， 利用关联规则数据算法， 得到数据 主体相关联的数据信息； S2.根据抽取识别的主体及其相关联的数据信息， 建立基础数据库； S3.对所述基础数据库中的数据进行数据分类和数据清洗并对其进行归一化处理， 得 到基本的数据驱动模型， 将所述数据驱动模 型作为K‑means改进算法的输入， 获得电压越限 成因的聚类和标识结果； S4.利用所述标识结果对基于粒子群算法的支持向量机模型进行自适应训练， 从而实 现电压越限的在线 诊断分析。 2.根据权利要求1所述的基于数据挖掘的电压越限诊断方法， 其特征在于， 所述配电网 故障数据包括台账数据、 PSASP软件 数据、 电压异常情况 统计数据、 电网运行方式、 设备容量 数据。 3.根据权利要求2所述的基于数据挖掘的电压越限诊断方法， 其特征在于， 在步骤S1 中， 所述关联规则数据算法如下： 设I＝{i1,i2,i3,…,im}是由m个不同的数据项目组成的集合， 其中： 元素称为项， 项的集 合称为项集， 给定一个事务数据库D＝{ T1,T2,T3,…,Tn}， 其中： 每一个事务T是项集I的一个 子集， 即 |D|为D中的总事务数。 X、 Y都是T中的项或项集， X∩Y＝Φ。 如果事务T同时包 含X和Y， 那么就可以得到关联规则： X＝＞Y(S％,C％,I％) 式中： S％为满足条件的事务T在事务数据库D中所占比例， 即支持度(Sup port)， C％为D中包 含X的事务中又包 含Y的比例， 即可信度(Co nfidence)， I％为X和Y的相关程度， 即 兴趣度(I nterest)； 同时大于可信度阈值Cmin和支持度阈值Smin的关联规则称为强关联规则， 兴趣度大于1 的强关联规则是有意 义的可信规则， 是挖掘的目标， 即与数据主体相关联的数据信息 。 4.根据权利要求1所述的基于数据挖掘的电压越限诊断方法， 其特征在于， 在步骤S3 中， 对所述基础数据库中的数据进行数据清理， 采用极值序列法对数据进行归一化处理的 算法如下： 式中： xij为第i种数据向量中第j个元 素， 将基础的所述数据驱动模型作为K ‑means改进算法的输入得到聚类结果， 聚类数的确 定：权　利　要　求　书 1/2 页 2 CN 115510997 A 2式中： k为聚类个数； Si为第i个聚类中心 的离散度； di,j为第i和第j聚类中心之间的距 离， 聚类中心离散度越高， 中心点之间距离越 大， 则DBI指标越小， 分类效果也越好， 即DBI最 小的k即为 最优聚类 个数。 5.根据权利要求1所述的基于数据挖掘的电压越限诊断方法， 其特征在于， 在步骤S4 中， 利用K ‑means聚类结果对基于粒子群算法的支持向量机模型进行自适应训练， 其步骤如 下： a1： 初始化支持向量机模型； a2： 设置粒子群算法参数； a3： 求取每 个粒子适应度值； a4： 按适应值大小， 更新粒子个 体最优位置和全局最优位置； a5： 若粒子适应值满足要求， 则终止迭代， 输出最优解， 否则返回步骤a3， 继续下一次迭 代， 直至获得最优解或达 到最大迭代次数为止； a6： 利用步骤a5的结果对基于粒子群算法的支持向量机模型进行自适应训练， 从而实 现电压越限的在线 诊断分析。权　利　要　求　书 2/2 页 3 CN 115510997 A 3